Проблема поддельных сигналов навигации
Современный автомобиль всё меньше похож на простую машину для перевозки людей. Это сложный компьютер на колёсах, который постоянно принимает решения: где повернуть, когда притормозить, как объехать препятствие. И почти каждое такое решение опирается на данные спутниковой навигации. Но что, если сигнал со спутника — не настоящий? Злоумышленник может транслировать поддельные координаты, создавая у автомобиля ложную картину мира. Это называется спуфингом GNSS, и для автономного транспорта такая атака может обернуться не просто ошибкой маршрута, а реальной аварией.
Отличить фальшивый сигнал от настоящего непросто. Обычная проверка уровня сигнала или времени прихода пакета не всегда помогает — подделка бывает очень качественной. Именно поэтому исследователи из США предложили необычный подход: вместо того чтобы всматриваться в сами радиосигналы, они решили сравнить поведение автомобиля, которое предсказывают навигационные данные, с тем, что показывают другие датчики — например, инерционные измерители, камеры или одометрия. Если GNSS говорит одно, а остальные сенсоры — другое, значит, что-то не так.
Как малые модели учатся видеть обман
Авторы разработки (статья доступна на arXiv под номером 2608.17092) пошли дальше простого сравнения. Они создали систему, которая превращает данные о состоянии автомобиля в структурированные текстовые описания — короткие семантические повествования вроде «машина движется прямо, скорость 60 км/ч, GNSS показывает смещение на 2 метра влево». На таких текстах обучается компактная языковая модель, которая и решает, есть ли в текущих данных признаки атаки.
Почему именно текстовые описания, а не сырые числа? Языковые модели хорошо работают с последовательностями и могут улавливать скрытые закономерности, которые сложно выразить в виде простой формулы. К тому же такой формат позволяет легко добавлять новые типы данных — от температуры колёс до показаний радара — просто дописывая их в описание.
Само обучение строится на сравнении двух потоков информации: один берётся из навигационной системы, другой — из независимых сенсоров. Если они расходятся определённым образом, модель учится классифицировать, что именно произошло: сигнал подменили частично, полностью или атака ещё только начинается.
Эксперименты и результаты
Чтобы проверить, насколько хорошо работает такой подход, исследователи провели серию экспериментов с пятью сценариями:
- нет атаки — нормальное движение;
- overshoot — «перелёт» через нужный поворот;
- stopped — имитация полной остановки;
- turn-by-turn — пошаговое ложное направление;
- wrong-turn — неверный поворот, который якобы совершает автомобиль.
Данные собирали как в лабораторных симуляциях, так и на реальных полевых испытаниях в городе Клемсон, Южная Каролина. При этом полевые данные были географически новыми — то есть модель не встречала их во время обучения. Это важная проверка: алгоритм должен работать не только на знакомых маршрутах.
Результаты сравнили с большими языковыми моделями, которые обучали на тех же данных. Оказалось, что компактные модели ничуть не уступают своим «старшим» собратьям: средняя точность составила 96,99%, precision — 99,05%, recall — 95,59%, а F1-мера — 97,18%. И это при том, что малые модели требуют заметно меньше вычислительных ресурсов.
Самое интересное — скорость реакции. Система способна обрабатывать данные в реальном времени, не нагружая GPU при обучении и при инференсе. Это делает её пригодной для установки прямо на бортовой компьютер автомобиля, где нет мощных серверов и бесконечной энергии.
Почему это важно для реального транспорта
Большие языковые модели впечатляют своими возможностями, но для автомобиля размер имеет значение. Современный транспорт — это ограниченная вычислительная платформа: здесь каждый ватт энергии и каждый мегабайт оперативной памяти на счету. Модель, которая требует мощную видеокарту, вряд ли появится в серийной машине. А компактное решение, которое работает на том же оборудовании, что и бортовой компьютер, — вполне реальный кандидат на внедрение.
Более того, малые модели быстрее обновляются и проще адаптируются под новые типы атак. Если злоумышленники придумают новый сценарий подделки, систему можно будет дообучить на новых примерах без серьёзных затрат. Это гибкость, которая критична для безопасности.
Ещё один важный момент — способность работать без интернета. Для обнаружения спуфинга не нужно обращаться к облачному серверу: всё происходит локально. Это снижает задержки и исключает зависимость от связи.
Выводы
Исследование показывает, что компактные языковые модели — это не просто урезанный вариант больших систем, а самостоятельный инструмент для решения прикладных задач безопасности. Благодаря умному преобразованию данных в текстовые повествования они научились отличать настоящие сигналы спутниковой навигации от поддельных с высокой точностью и при этом работают достаточно быстро, чтобы использоваться в реальных автомобилях.
Конечно, до серийного производства ещё предстоит провести дополнительные испытания — например, проверить систему в более сложных городских условиях или при плохой погоде. Но сам подход выглядит очень перспективным: вместо того чтобы бесконечно усложнять модели, исследователи нашли способ использовать их компактные версии эффективно там, где это действительно нужно.
